AI kompetencia učiteľa

Automatický strojový preklad tejto anglickej stránky, ktorý ešte nebol skontrolovaný rodeným hovorcom.

AI kompetencia učiteľa - vedomosti, zručnosti a dispozície, ktoré učitelia potrebujú na efektívnu, etickú a spravodlivú integráciu AI do výučby a učenia. Presahuje technické používanie nástrojov a zahŕňa pedagogickú integráciu, gramotnosť v hodnotení, etický úsudok a istotu používať AI dobre. AI kompetencia učiteľa je protipólom AI gramotnosti na strane učiteľa a rozvíja sa cez profesijný rozvoj. Je ústredná pre to, ako sa rola učiteľa transformuje v triedach rozšírených o AI.

Otázky na zamyslenie

• Stránka argumentuje, že učiteľ je „rozhodujúci faktor" v tom, či AI zlepšuje učenie - že nástroje pomáhajú len vtedy, keď ich učitelia dokážu naplánovať, podoprieť používanie a vyhodnotiť výstupy. Zodpovedá to vašej skúsenosti, alebo si myslíte, že samotný nástroj záleží viac než učiteľ?
• AI kompetencia učiteľa zahŕňa technickú zdatnosť, pedagogickú integráciu, gramotnosť v hodnotení a etický úsudok. Ktorá z nich podľa vás učiteľom najviac chýba a ktorá sa najťažšie trénuje?
• Výskum dokumentuje medzeru medzi sebahodnotenými a skutočnými zručnosťami učiteľov v oblasti AI. Prečo si ľudia podľa vás preceňujú svoju pripravenosť a čo by bolo treba na jej čestné uzavretie?
• Intenzívny program profesijného rozvoja v citovanom výskume priniesol veľké prírastky v pedagogickej zručnosti s AI, čo naznačuje, že technicko-pedagogická zručnosť je trénovateľná. Ak je to pravda, prečo sa toľko učiteľov stále javí nepripravených - čo im stojí v ceste?
• Ak učiteľ dokáže „používať AI dobre", čo pre vás znamená „dobre" - a ako by ste poznali, že to učiteľ dosiahol, a nie len nástroj prijal?

Úvod

AI kompetencia učiteľa záleží preto, že učiteľ je rozhodujúcim faktorom v tom, či AI zlepšuje učenie. Výskum dôsledne ukazuje, že nástroje AI sa premieňajú na lepšie výsledky len vtedy, keď ich učitelia dokážu naplánovať, podoprieť používanie študentmi, vyhodnotiť výstupy a integrovať do koherentnej výučby. Literatúra vo vedomostnej báze skúma dimenzie tejto kompetencie, medzery medzi sebavnímaním a skutočnou zručnosťou a profesijný rozvoj, ktorý ju buduje.

Nunez-Canal a spol. (2026) spájajú AI kompetenciu akademických pracovníkov priamo s výsledkami študentov, pričom používajú teórie ľudského kapitálu a zainteresovaných strán v prieskume medzi akademickými pracovníkmi v podnikaní a ekonómii, aby argumentovali, že investícia univerzít do kompetencie akademických pracovníkov nie je diskrečná.

• Tréning promptovania kupuje čas, nie lepšie materiály. V preregistrovanom RCT so 204 učiteľmi Appel, Fervers a Piepenburg (2026) zistili, že ChatGPT zlepšil kvalitu materiálov na prípravu vyučovacej hodiny a skrátil čas prípravy o 34 %, zatiaľ čo predchádzajúci tréning AI pridal ďalších 21 % skrátenia času bez zlepšenia hodnotenej kvality (Appel a spol., 2026). Trénovaní učitelia písali dlhšie prompty a iterovali menej; obe cesty dosiahli rovnakú kvalitu.

Základné dimenzie kompetencie

Výskum vo vedomostnej báze sa zhoduje na niekoľkých prepojených dimenziách:

• Technická zdatnosť: tvorenie účinných promptov pre vzdelávacie ciele, hodnotenie nástrojov AI z hľadiska pedagogickej vhodnosti a bezpečnosti a riešenie porúch v reálnom čase. Intenzívny program profesijného rozvoja v GenAI dokumentoval významné prírastky vo všetkých piatich komponentoch AI-PCK (celkové d = 2,36), čo ukazuje, že technicko-pedagogická zručnosť je trénovateľná.

• Špecifikovanie pracovných postupov agentov: keď učitelia konfigurujú chatbota v prirodzenom jazyku, dominantným zlyhaním je stratený zámer, a nie nesprávne fakty - boti preskočili požadované kroky pracovného postupu v 53,8 % konverzácií koncových používateľov a vynechali nastavenie očakávaní v 33,4 % (Liu a spol. (2026)), takže písanie usporiadaných, výslovných krokov je samostatnou trénovateľnou dimenziou kompetencie.

• Pedagogické vedomosti sú rozhodujúcou vrstvou. Medziúrovňová štúdia stredoškolského vzdelávania o AI (46 učiteľov, 2 832 študentov) zistila, že samotné technické vedomosti o AI nestačia - a mohli dokonca mierne znížiť vnímanie AI pre spoločné dobro zo strany študentov - zatiaľ čo pedagogické vedomosti o AI poháňali vnímanie študentov a ich zámer učiť sa AI. Rámce kompetencií by preto mali vážiť pedagogické vedomosti o AI ako kľúčovú dimenziu, a nie ako mäkký doplnok.

• Pedagogická integrácia: mapovanie používania AI na ciele učenia, navrhovanie podporného lešenia, ktoré podporuje metakogníciu a seba-reguláciu študenta, a integrácia AI do inštrukčného dizajnu. Výskum AI-TPACK modeluje, ako učitelia kombinujú technologické, pedagogické a obsahové vedomosti cez pracovné postupy s viacerými agentmi, zatiaľ čo rámec tímovej práce učiteľa a AI na piatich úrovniach (transakčná → synergická) zachytáva, ako môže GenAI nahradiť, doplniť alebo rozšíriť kompetenciu učiteľa.

• Gramotnosť v hodnotení: hodnotenie obsahu generovaného AI a výstupov študentov vytvorených s AI a porozumenie tomu, ako sa platnosť posúva, keď študenti používajú AI. To sa spája s automatizovaným hodnotením, detekciou AI a širšou agendou redizajnu hodnotenia. Pri odporúčacích systémoch sa to rozširuje na posudzovanie, či sú vysvetlenia AI skutočne zrozumiteľné a pedagogicky zmysluplné: Feldman-Maggor a spol. (2025) zistili, že učitelia dôverovali odporúčaniam AI na zoskupovanie viac vtedy, keď boli vysvetlenia rámcované v jazyku domény (kurikula), než keď odhaľovali surové príznaky modelu - zručnosť žiadať a posudzovať kvalitu vysvetlenia, a nie prijímať nepriehľadný výstup.

• Výber modelu a dizajn promptu ako preukázateľné zručnosti: inštrumentálna AI gramotnosť zahŕňa vedieť, ktorý model použiť a ako formulovať úlohu. Jacobsen a spol. (2026) nechali ChatGPT-4, Claude 3 a Gemini Advanced kritizovať ciele prípravy vyučovacích hodín 153 budúcich učiteľov pod štyrmi systematicky variovanými promptmi (N = 240 spätných väzieb v štúdii 1, 345 v štúdii 2), pričom spätná väzba bola hodnotená v deviatich kategóriách kvality. Samotný výber modelu vysvetlil 26,9 % variancie v hodnotenej kvalite (18,4 % v štúdii 2) a dizajn promptu pridal významných 15,9 % (5,7 %) navyše; jediným rozhodujúcim znakom promptu bol odborný jazyk špecifický pre doménu, ktorého odstránenie významne znížilo kvalitu (β = −0,412), zatiaľ čo pridanie príkladov a vypustenie inštrukcie o reťazci uvažovania neprinieslo v štúdii 1 významný rozdiel. Ich čítanie - že odborná terminológia jednak odomyká relevantný obsah trénovacích dát a jednak rámuje požiadavku profesionálne, podobne ako hranie roly - plus pravidlo použiť najschopnejší aktuálny frontierový model robí z výberu modelu didaktické, a nie technické rozhodnutie.

• Etické a kritické používanie: rozpoznávanie predsudkov vo výstupoch AI, ochrana údajov študentov (súkromie) a zabezpečenie spravodlivých výsledkov (rovnosť). Kultúrne relevantné používanie AI skúma, ako učitelia môžu používať LLM na diverzifikáciu materiálov, a nie na posilňovanie dominantných noriem.

• Etická zodpovednosť je rozložená, nie individuálna. Naprieč siedmimi národnými prípadmi sú učitelia postavení ako morálni strážcovia používania AI, pričom im chýba inštitucionálna a epistemická podpora, takže etická AI gramotnosť sa musí rozšíriť na kritickú a politickú agentúru, a nie len na technickú zručnosť (Raffaghelli a spol. (2026)).

• Istota a postoje: istota učiteľa formuje prijatie. Výskum prijatia zisťuje, že istota, podpora a vnímaná užitočnosť poháňajú to, či učitelia AI skutočne používajú, a orientácie akademických pracovníkov formujú prijatie vo výskume a výučbe.

• V päťkrajinovom prieskume 1 405 učiteľov K-12 pripravenosť v oblasti AI predpovedala pozitívne presvedčenia o inštrukčnej hodnote GenAI (B = 0,59, R² = 0,50), ale predpovedala väčšiu obavu o kreativitu (B = 0,18), a tie isté prediktory vysvetlili len 7 % a 6 % obavy - samotné budovanie pripravenosti necháva obavu nedotknutú (Xiu a spol. (2026)).

Pripravenosť by sa mala usporadúvať a merať podľa toho: Model schopnosť-rozhodnutie stavia preukázanú schopnosť v oblasti AI pred postoj a istotu a navrhuje ukazovatele výkonu namiesto samotného sebahodnotenia - úlohy navrhovania hodín, úlohy hodnotenia promptov so zaseknutými chybami, úsudky o obsahovej platnosti a rubriky triednych artefaktov (Mnguni (2026)).

Emocionálna a morálna pripravenosť je samostatná dimenzia. Vassallo (2026) skúmal akademických pracovníkov maltskej univerzity (109 respondentov) a zostavil Index viny z AI (α = 0,88) zo štyroch položiek morálnych emócií, pričom zistil, že anticipačná vina prevyšovala výčitky zažité po použití: najsilnejším súhlasom bola obava, že používanie AI podkopáva vlastnú kredibilitu (34,9 % súhlasilo), potom pocit, že človek pri používaní podvádza (25,7 %), zatiaľ čo výčitky po použití dosiahli len 9,2 %. Pre rámce kompetencií sú dôležité zistenia, že nepoužívatelia hlásili vyššiu vinu než používatelia (M = 3,25 oproti M = 2,32) a že vina klesala s rastúcou kariérnou istotou - akademici na začiatku kariéry hlásili najviac (M = 2,71) a seniorní akademici najmenej (M = 2,03). Emocionálna pripravenosť sa preto nezachytáva meraniami zručností ani istoty a práca argumentuje, že rámce kompetencií by mali považovať vinu a obavu o identitu za normálne prechodové reakcie, a nie za chyby na opravu.

Silnejšia verzia tohto prerámovania tvrdí, že GenAI je prahový koncept, a nie medzera v zručnostiach: autoetnografický opis argumentuje, že úzkosť a odpor akademických pracovníkov sú konštitutívne pre prekročenie prahu, takže tréning založený na zručnostiach zlyháva a principiálne neprijatie by sa malo rešpektovať, a nie opravovať (Laidlaw (2026)).

Medzera v kompetencii

Kľúčovým zistením je medzera medzi sebahodnotenou a výkonovou kompetenciou. Výskum hodnotenia AI gramotnosti dokumentuje podstatný rozdiel (až približne 40 %) medzi tým, čo učitelia veria, že dokážu, a tým, čo skutočne dokážu preukázať - učitelia istí si zručnosťami v AI často nemajú základné schopnosti promptovania a hodnotenia. To motivuje hodnotenie založené na výkone kompetencie učiteľa namiesto spoliehania sa na sebahodnotenie a spája sa s kalibrovaným sebahodnotením. Národný prieskum 2 586 nigérijských stredoškolských učiteľov meral obe strany samostatnými nástrojmi - mierne povedomie o AI (M = 3,13 z 8) proti nižšej pedagogickej zručnosti s AI (M = 2,47 z 5) - pričom učitelia na začiatku a v strede kariéry hlásili vyššiu zručnosť než skúsení kolegovia (Olurinola a spol., 2026).

Pripravenosť je najčastejšie dokumentovanou prekážkou v matematickej literatúre. Prehľad 54 štúdií o matematickom vzdelávaní zistil, že technologicko-pedagogická integrácia a pripravenosť učiteľov sú najčastejšie uvádzanou výzvou (38 z 54), pred platnosťou a integritou hodnotenia (26) a nadmernou závislosťou (24) (Manto a spol. (2026)).

Medzera nie je len medzi vnímanou a skutočnou zručnosťou, ale aj v šírke toho, čo učitelia vedia: národný prieskum 2 018 ukrajinských stredoškolských pedagógov zistil, že 84 % uvádza používanie AI v profesijnej praxi, ale len 11 % dokázalo menovať špecializovanú službu AI inú než ChatGPT (Marienko, Markova & Semerikov (2026)). Druhá úzkosť sa ukazuje v tom, čo učitelia sami uvádzajú, a nie v tom, čo dokážu menovať: 53 učiteľov v praxi, ktorí označovali vlastné triedne prípady voči Rámcu AI gramotnosti OECD, opísalo 43 praktík gramotných v AI oproti len 10 zlyhaniam (Wang a spol., 2026). Ich výber kompetencií sa zhlukoval na praktickom úsudku (hodnotenie výstupov AI, N = 38) a zriedka dosiahol spoločenské predsudky (N = 5), etické zladenie (N = 6) alebo energetickú spotrebu AI (N = 9).

Prieskum 132 učiteľov v Indonézsku zistil takmer univerzálne prijatie popri tenkom mechanistickom porozumení: 96,2 % schvaľovalo používanie AI učiteľmi, ale len 4,6 % menovalo tokenizáciu alebo dekódovanie a 21,5 % verilo, že ChatGPT prehľadával databázu alebo internet (Aji a spol. (2026)). Priaznivý postoj nie je dôkazom použiteľného mentálneho modelu nástroja.

Medzera je viditeľná v artefakte aj v sebahodnotení. Medziinštitucionálna kolaboratórium akademických pracovníkov v príprave učiteľov, v ktorom vzdelávatelia učiteľov navrhovali AI do svojich vlastných metodických kurzov, uviedlo, že kandidáti dokázali vytvoriť vyleštené plány hodín s podporou AI, pričom nedokázali vysvetliť, prečo plán sedí študentom a štandardom, keďže samotný plán nehovorí nič o uvažovaní za ním. Známkovať odôvodnenie, a nie produkt, je jedna odpoveď. Rámec pedagogík praxe naznačuje inú, keď považuje nácvik za priblíženie praxe: nácvik sprostredkovaný AI so štruktúrovanou spätnou väzbou po ňom zvýšil používanie skúmavých a objavujúcich otázok u kandidátov, avšak vlastné úsudky kandidátov o ich výkone sa stále rozchádzali s tým, čo zaznamenali pozorovatelia.

Klesajúce sebahodnotenie po tréningu môže signalizovať učenie, a nie stratu. V šesťmesačnom programe profesijného rozvoja Intelligent-TPACK so 64 učiteľmi hongkonských univerzít proti 61 kontrolným vzrástla celková AI kompetencia o približne polovicu štandardnej odchýlky (Cohenovo d = −0,521), avšak niektorí učitelia v oboch skupinách dosiahli v postteste nižšie skóre než v preteste (Tan, Cheng & Ling, 2025). Rozhovory pripísali poklesy posunu od nevedomej k vedomej nekompetentnosti - rekalibrácii, ktorú predpovedá Dunningov-Krugerov efekt - a nie strate zručnosti. Autori uzatvárajú, že sebahodnotenie pred a po podhodnocuje intervenciu, pretože časť prírastku prichádza ako korekcia smerom nadol v samotnom nástroji.

Medzera sa prejavuje aj ako neúčasť. Watson & Rainie (2026) uskutočnili prieskum medzi 1 057 americkými univerzitnými akademickými pracovníkmi na konci roku 2025 a zistili, že 26 % nástroje generatívnej AI vôbec nepoužíva, pričom tretina sa ich rozhodla nepoužívať na výučbu a nepoužívanie sa koncentruje v umení a humanitných vedách (40 %). Inštitucionálna strana medzery bola väčšia než individuálna: 68 % uviedlo, že ich školy nepripravili akademických pracovníkov na používanie generatívnej AI vo výučbe a mentorovaní, a akademickí pracovníci menovali odpor kolegov (82 %) a neznalosť (83 %) ako hlavné prekážky prijatia na katedre - obraz, v ktorom sa budovanie kapacity, rovesnícke normy a politika musia hýbať spolu.

Pregraduálna príprava z veľkej časti obchádza etickú dimenziu kompetencie. Systematický prehľad AI v počiatočnom vzdelávaní učiteľov pre budúcich učiteľov matematiky na primárnom stupni (Pinto a spol. 2026, 11 štúdií vybraných z 341 záznamov) zistil, že intervencie sa sústredili na krátkodobé technické a pedagogické prínosy, pričom deväť z jedenástich boli krátke intervencie trvajúce jedno až šesť sedení, a uviedol, že etika bola adresovaná len v troch z jedenástich štúdií. Rámce kompetencií menujú etický úsudok ako dimenziu; pregraduálna literatúra, ktorá ho má budovať, ho zriedka vyučuje alebo meria.

• Sedem zhlukov kompetencií, s etikou ako najslabším článkom. Tematická syntéza 78 štúdií prináša zhluky pre prompt engineering, kritické hodnotenie výstupov AI, etické povedomie a detekciu predsudkov, zladenie pedagogického obsahu, konceptuálnu AI gramotnosť, ľudský dohľad a reflexiu. Prompt engineering bol najdôslednejšie dokumentovaný a správa sa ako vývojové spektrum, a nie jedna zručnosť, čo recenzentov viedlo k argumentu, že ho najlepšie chápať ako pedagogické uvažovanie uskutočňované cez nové médium - prompt ako externalizované dizajnové rozhodnutie. Etické povedomie bolo najslabšie dokumentovanou kompetenciou v pregraduálnych štúdiách (Spyropoulou & Kameas, 2026).
• Učitelia preceňujú svoju zručnosť hodnotenia. Popri zistení, že len 38,3 % cieľov učenia generovaných AI splnilo všetky kritériá kvality bez revízie, budúci učitelia systematicky preceňujú svoju schopnosť hodnotiť výstup chatbota - čo recenzenti čítajú ako možný percepčný, a nie deklaratívny deficit. Preto argumentujú, že kompetencia by sa mala hodnotiť cez výkonové artefakty (plány hodín, záznamy rozhodnutí, mikrovýučba), a nie cez sebahodnotenie: nespoľahlivosť sebahodnotenia je demonštrovaná práve v tej literatúre, ktorú má tréning adresovať.

Profesijný rozvoj, ktorý funguje

Literatúra o profesijnom rozvoji vo vedomostnej báze identifikuje účinné prístupy:

• Intenzívne programy ukotvené v teórii: Intenzívny program profesijného rozvoja v GenAI so 163 učiteľmi a budúcimi učiteľmi priniesol významné prírastky vo všetkých komponentoch AI-PCK, pričom najviac profitovali budúci učitelia. Profesijný rozvoj založený na teórii sebaurčenia ukazuje, že tréning podporujúci potreby zlepšuje AI gramotnosť, postoje a angažovanosť učiteľov a znižuje úzkosť.
• Na dizajne založené a integrované prístupy: Tréning GenAI gramotnosti založený na DBR adresuje prehnaný dôraz na technické vedomosti a nástroje spred éry GenAI; integratívne, vývojové rámce a integrácia sociálno-emocionálnych kompetencií rozširujú gramotnosť za čistú techniku.
• Skúmanie a autentická prax: modely skúmania s podporou AI budujú AI gramotnosť a autentický výkon u budúcich učiteľov.
• Pripravenosť špecifická pre kontext: Rámec pripravenosti EPIQ-AI zdôrazňuje, že pripravenosť akademických pracovníkov je sociotechnická otázka vyžadujúca zladenie kapacity akademických pracovníkov, riadenia a zabezpečovania kvality.
• Podpora musí byť diferencovaná podľa skúsenosti a zdatnosti v AI. Choi a spol. (2026) zistili, že to, ako učitelia skutočne interagujú s AI pri navrhovaní hodín, závisí od súhry vyučovacej skúsenosti a zdatnosti v AI, a nie od jednej z nich samotnej. Skúsení učitelia s vysokou zdatnosťou v AI kriticky prispôsobujú výstup AI kontextu (opakované promptovanie, rozvíjanie), zatiaľ čo nováčikovia - aj technicky zdatní - majú tendenciu prijímať odpovede AI priamo a zriedka zvažujú študentov a kontext. To argumentuje za profesijný rozvoj založený na profilovaní: kontrolné zoznamy hodnotenia odpovedí a šablóny promptov pre nováčikov a praktické budovanie zručností pre skúsených učiteľov s nižšou zdatnosťou v AI.
• Samotný časový prínos nasleduje skúsenosť a istotu, a nie len dizajn podpory. V pokuse Roya a spol. (2026) s asistentom na plánovanie hodín bol pokles pracovného zaťaženia väčší u učiteľov s nižšou istotou v odborných vedomostiach, nižšími pedagogickými vedomosťami, kratšou dobou v profesii alebo vyššou istotou v technológiách. Zdatnosť a istota sú preto súčasťou účinku intervencie, a nielen jej prijatia.

Konfigurácia presvedčení je druhou osou profilovania: medzi 40 680 učiteľmi v TALIS 2024 ten istý status nepoužívania zakrýval opačné bariéry - 83,3 % profilu ľahostajných uvádzalo pedagogické výhrady, zatiaľ čo 66,2 % profilu odmeraného schvaľovania uvádzalo nedostatočné vedomosti a zručnosti (Fang & Jin (2026)). Profesijné učenie súvisiace s AI sledovalo členstvo v profile dôslednejšie než vek alebo dosiahnuté vzdelanie.

• Učitelia nezdieľajú jednu koncepciu AI. Fenomenografická štúdia 16 dánskych učiteľov vysokých škôl našla tri koncepcie výučby s AI a tri koncepcie učenia sa s AI, takže jediný model workshopu zasiahne len časť akejkoľvek skupiny akademických pracovníkov (Stenalt (2026)).

• Spoludizajn a pedagogická gramotnosť promptov sú kompetencie, nie doplnky. Systematický prehľad spoludizajnu učebných úloh učiteľom a AI (Wang, Liu & Islam 2026, 28 štúdií) zisťuje, že dominantným režimom spolupráce je AI ako asistent a generátor obsahu, a lokalizuje medzeru v plnejších kapacitách učiteľov pre spoludizajn a dialogické partnerstvo. Talebzadeh (2026) ukazuje, že profesijný rozvoj, ktorý spája technický tréning AI s pedagogickým uvažovaním - budovanie „pedagogickej gramotnosti promptov" (zakódovanie PCK do promptov) - je to, čo umožňuje učiteľom premeniť výstup AI na efektívne diferencované skupinové aktivity.

• Štruktúry, ktoré budujú kompetenciu, a nie zoznamy kompetencie. Perl-Nussbaum a Finkelstein (2026) viedli šesťsedení dvojtýždenný rozvoj komunity akademických pracovníkov na veľkej verejnej fyzikálnej katedre R1 - devätnásť akademických pracovníkov naprieč sériou, približne desať na každom stretnutí - kde každé sedenie začínalo lokálnymi dátami, prešlo k testovaniu AI v malých skupinách proti skutočným anonymizovaným domácim úlohám študentov a končilo kolektívnou diskusiou, a výsledkom bol spoločný repozitár s piatimi položkami, a nie tréningový balík. Gramotnosť v hodnotení sa dá budovať rovnako cez dizajnový nástroj: v pilote Pauly a spol. (2026) osem skúsených koordinátorov kurzov v STEM a zdravotníctve rozvíjalo svoju gramotnosť v hodnotení kritikou návrhov hodnotenia od vlastného GPT voči disciplinárnym štandardom, hoci výstupy opakovane minuli disciplinárny kontext, ignorovali postupnosť tém a v jednom prípade preniesli vymyslené odkazy cez opakované promptovanie. Všetkých osem si ponechalo akademický úsudok a odmietlo automatizáciu od začiatku do konca, čo robí zo štruktúrovanej kritiky generovaných návrhov vývojový mechanizmus, a nie z tréningu nástrojov.

• Krátke sedenia môžu pohnúť prijatím bez pohnutia osvojením. Mesenhöller a Böhme (2026) hodnotili trojhodinové sedenie INSIGHT so 100 nemeckými učiteľmi a zistili, že vnímaná užitočnosť aj vnímaná ľahkosť používania významne vzrástli (užitočnosť t(99) = −3,24, p = 0,002, d = 0,32; ľahkosť používania d = 0,25), zatiaľ čo behaviorálny zámer používať technológie založené na AI na diferenciáciu sa nezmenil. Autori poznamenávajú, že ich východiská už boli priaznivé, takže je možný efekt stropu. Čítanie pre dizajn profesijného rozvoja je úzke, ale užitočné: krátke sedenie môže posunúť to, ako učitelia hodnotia nástroje AI, bez posunu toho, či ich plánujú používať, čo je druh zmeny, ktorý potrebuje nadväznosť, a nie jednorazové podujatie.

• Vyučujúci uprednostňujú plynulosť, ale učenie pripisujú podpornému lešeniu. Naprieč 41 vyučujúcimi bol základný model GPT-4o celkovo uprednostnený (21 proti 13), avšak doladenému trojkrokovému modelu (identifikovať, preskúmať, rozvinúť) bolo častejšie pripísané učenie (18 proti 13) a oba úsudky sa zhodovali len v 39 % prípadov (Molnar a spol. (2026)).

• Inštitucionálna podpora: profesijný rozvoj musí byť spojený s inštitucionálnou infraštruktúrou (politika, inštitucionálna zmena) pre udržateľné osvojenie.

• Autorské nástroje nezaručujú pedagogickú vernosť. Riahi a spol. (2026) skúmali 27 učiteľov druhého stupňa, ktorí konfigurovali vzdelávacích chatbotov na workshopoch profesijného rozvoja, a analyzovali fokusové skupiny popri záznamoch konfigurácie a interakcií. Učitelia považovali chatbota za inštrukčné lešenie ohraničené učiteľom definovanými pravidlami, avšak zladenie medzi zámerom a správaním založené na záznamoch bolo silnejšie pri responzívnosti (88,9 %) a personi (81,5 %) než pri pravidlách (70,4 %) a účele (59,3 %). Samotné konfigurovateľné ovládacie prvky neprenášajú pedagogický zámer do správania, takže vyjadrenie, testovanie a zjemňovanie pedagogiky chatbota je samo o sebe kompetenciou, ktorú musí autorský nástroj podporovať.

Protipríklad založený na dizajne považuje kompetenciu za situačnú, a nie za priečku na rebríku. Eyalova dizajnová štúdia z roku 2025 s 22 vzdelávateľmi učiteľov z vysokých škôl nechala účastníkov preskúmať päť publikovaných rámcov hodnotenia a spolunavrhnúť alternatívu organizovanú okolo troch vzájomne prepojených osí: vhodnosť kontextu (infraštruktúra, sociokultúrne faktory, lokálne potreby, vývojová fáza), profesijné potreby (disciplína, pedagogika, vedenie, podpora) a dynamický vývoj. Model odmieta pevné úrovne kompetencie a umožňuje nelineárny postup a dodáva sa s 20-položkovým reflektívnym sebahodnotiacim dotazníkom hodnoteným 1 až 5. Jeho validácia je len kvalitatívna, bez kvantitatívneho testovania spoľahlivosti, takže stojí ako dizajnový prínos, a nie ako validovaný nástroj.

• Metaanalytický odhad. Guo a spol. (2026) spojili 212 veľkostí efektu z 34 štúdií a odhadujú profesijný rozvoj AI gramotnosti učiteľov na g = 0,76 (95 % CI [0,50, 1,02]), najsilnejší pre zručnosti (g = 0,91) a najslabší pre postoje a hodnoty (g = 0,61); korekcia na zjavný publikačný výber znižuje odhad na približne g = 0,49.

• Účasť predpovedá prírastky tam, kde pocit účasti nie. V tom istom šesťmesačnom programe miera účasti predpovedala prírastok kompetencie (β = 0,407, p = 0,001), zatiaľ čo sebahodnotená účasť nie (β = 0,049, p = 0,692), a disciplína, vyučovacia skúsenosť a profesijný titul vysvetlili málo; autori čítajú účasť ako behaviorálnu investíciu a vnímanú účasť ako povrchovú angažovanosť (Tan, Cheng & Ling, 2025).

• Hodnoty zaostávajú za zručnosťami aj v programe špecifickom pre doménu. V ročnom hongkonskom programe s 30 učiteľmi angličtiny stúpli vedomosti o stratégiách multimodálneho hodnotenia z 3,13 na 4,15 z 5 (parciálne η² = 0,571) a kompetencia v podpore študentov z 3,05 na 3,98 (0,482), obe významné, zatiaľ čo každá poddoména hodnôt zostala štatisticky plochá pri alfa korigovanej Bonferronim na 0,006. Učitelia pripísali prírastky spoločnému plánovaniu v školách a medziškolským zhlukovým stretnutiam, a nie len workshopom (Jiang a spol., 2026).

• Mikroučenie môže rozvíjať AI kompetenciu univerzitných učiteľov. Cechovsky (2026) zjemnil dva moduly odborného vzdelávania naprieč dvoma online skupinovými diskusiami do piatich dizajnových princípov - jasná štruktúra a orientácia, usmerňovanie a navigačná podpora, segmentácia a modularizácia, multimodálna prezentácia a aktivácia študenta - a zistil, že navigácia v platforme a lokalizácia modulov sú hlavné praktické bariéry.

AI kompetencia učiteľa a transformujúca sa rola učiteľa

Ako AI preberá rutinné inštrukčné a hodnotiace úlohy, osobitný prínos učiteľa sa posúva k orchestrácii, úsudku a vzťahu: rozhodovanie, kedy a ako sa AI používa, podopieranie agentúry študenta a kritického používania, zabezpečovanie rovnosti a poskytovanie sociálnej a emocionálnej podpory, ktorú AI nedokáže. To prerámuje kompetenciu učiteľa okolo dohľadu s človekom v slučke, etického úsudku a podpory samoregulovaného učenia - čo sa spája s rolou učiteľa a ochranou pred nadmernou závislosťou.

Dôsledky pre AI vo vzdelávaní

• Hodnotte výkon, nielen sebahodnotenie: kompetencia učiteľa by sa mala hodnotiť cez preukázanie, vzhľadom na dokumentovanú medzeru v sebahodnotení.

• Trénujte celú kompetenciu, nielen nástroje: profesijný rozvoj by mal budovať technickú, pedagogickú, hodnotiacu a etickú dimenziu spolu, ukotvené v teórii učenia.

• Budujte istotu popri zručnosti: postoje a sebaúčinnosť formujú prijatie, takže profesijný rozvoj by mal znižovať úzkosť a budovať istotu cez autentickú, podporovanú prax.

• Podporte inštitucionálnu vrstvu: udržateľná kompetencia učiteľa vyžaduje zladenú politiku, riadenie a kapacitu, a nie izolovaný tréning.

• Digitálna kompetencia učiteľa pre návrh kurikula s GenAI. Guillén-Gámez (2026) validujú diagnostický nástroj založený na TAM so 434 učiteľmi v praxi; behaviorálny zámer bol hlavným prediktorom digitálnej kompetencie pre používanie GenAI v plánovaní kurikula, so sebaúčinnosťou ako koreňovým hýbateľom.

Psychometrický nástroj pre AI kompetenciu učiteľa

• Psychometrická štúdia vyvinula Škálu AI gramotnosti učiteľov (TAILS) na meranie AI gramotnosti špecificky v vzdelávaní učiteľov jazykov, operacionalizujúc šesť dimenzií rámca ED-AI. Vývoj nástroja vypĺňa medzeru v hodnoteniach, ktoré cielia na študentov alebo bežných používateľov, a podporuje meranie AI kompetencie učiteľa.

Oblasť nástrojov bola odvtedy preskúmaná. Systematický prehľad nástrojov na meranie AI gramotnosti učiteľov Zainala, Mohd Matore a Maata z roku 2026 posúdil 33 nástrojov publikovaných medzi rokmi 2019 a 2025 a zistil, že oblasť je metodologicky monotónna: 31 (93,9 %) sú sebahodnotiace škály vnímanej istoty, len dva (6,1 %) testujú vedomosti objektívne a žiadny nepoužíva úlohy založené na výkone. Vnútorná konzistencia bola najsilnejšou doménou kvality (28 z 33 na stupni A) a spravodlivosť najslabšou, pričom päť nástrojov (15,2 %) uvádza dôkazy o mernej invariantnosti alebo rozdielnom fungovaní položiek. Obsah tiež zaostáva za technológiou, keďže 29 nástrojov (87,9 %) cieli na všeobecné koncepty AI a len štyri (12,1 %), všetky z roku 2025, adresujú generatívnu AI.

Časté mylné predstavy

• „Tréning promptovania robí materiály učiteľov lepšími." Tréning promptovania kupuje čas, nie lepšie materiály: v preregistrovanom RCT so 204 učiteľmi Appel, Fervers a Piepenburg (2026) zistili, že ChatGPT zlepšil strávený čas, zatiaľ čo kvalita materiálov nenasledovala. Prínos efektívnosti je skutočný a nie je to prínos kvality.
• „Keď učitelia konfigurujú chatbota, zlyhaním je faktická chyba." Keď učitelia konfigurujú chatbota v prirodzenom jazyku, dominantným zlyhaním je stratený zámer, a nie nesprávne fakty - boti preskočia krok, ktorý učiteľ zamýšľal. Dodržiavanie inštrukcií zlyháva štrukturálne, a nie fakticky.
• „Technická zručnosť je rozhodujúca vrstva." Pedagogické vedomosti sú rozhodujúca vrstva: medziúrovňová štúdia vzdelávania o AI na stredných školách Shen a spol., 2026. Kompetencia, ktorá určuje výsledok, je tá, do ktorej väčšina tréningových programov investuje najmenej.

Prepojené koncepty

• AI gramotnosť
• Vzdelávací rozvoj
• Výučba
• Prompt Engineering
• Návrh učenia
• Scaffolding
• Metacognition
• Assessment Validity
• Equity
• Ethics
• Self-Efficacy
• Human-in-the-Loop
• Learner Agency
• Kognitívne odľahčenie
• Educational AI Policy
• AI vo vzdelávaní
• Technological Pedagogical Content Knowledge (TPACK)
• Teacher Education
• Pedagogies and Teaching Strategies - zastrešujúci rámec: pedagogiky a stratégie výučby vo vzdelávaní s AI

Prepojené články

• Lesson planning using AI lesson assistant, Aila - A Teacher Choices Trial — Ktorí učitelia získali čas na plánovanie: nižšia istota v odborných vedomostiach, nižšie pedagogické vedomosti, kratšia doba v profesii alebo vysoká istota v technológiách

• AI Misconception and Adoption Among Indonesian K-12 Teachers — Učitelia prijímajú AI, pričom nechápu, ako funguje (Aji a spol. 2026)

• AI integration in mathematics education: A systematic review of implementation challenges and pedagogical implications (2017-2025) — Pripravenosť učiteľov a technologicko-pedagogická integrácia ako najčastejšie uvádzaná výzva naprieč 54 štúdiami o matematickom vzdelávaní (Manto a spol. 2026)

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Multimodálna gramotnosť v hodnotení: ročný program, kde sa vedomosti a kompetencia pohli a hodnoty nie

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Profesijný rozvoj Intelligent-TPACK: polovica štandardnej odchýlky prírastku a negatívne prírastky, ktoré sa čítajú ako rekalibrácia - Vplyv programov profesijného rozvoja na AI gramotnosť učiteľov K-12: systematický prehľad a metaanalýza

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Učitelia označili svoje vlastné triedne prípady s AI a ľahko dosiahli praktické kompetencie, ale spoločenské a etické len zriedka (Wang a spol. 2026)

• Typology of Generative AI Tools for Education — Výber nástroja ako prejav agentúry vzdelávateľa

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematický prehľad generatívnej AI vo výučbe a učení v K-12 (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Profesijné vedomosti učiteľov vo vzdelávaní o AI v K-12: TAIK verzus TPAIK a učenie študentov (Shen a spol. 2026)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Vzorce interakcie učiteľa a AI pri navrhovaní hodín naprieč skúsenosťou a zdatnosťou v AI (Choi a spol. 2026)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Zodpovedné používanie GenAI u budúcich učiteľov: dôsledky pre kurikulum (Kohnke a spol. 2026)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — Pozorovanie triedy s LLM pre profesijný rozvoj učiteľov (Melo a spol. 2026)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generatívna AI naprieč reprezentáciami, dekompozíciami a priblíženiami: nácvik, štruktúrovaná spätná väzba a upozornenia na presnosť

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Účinnosť intenzívneho programu profesijného rozvoja v GenAI

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modelovanie AI-TPACK cez pracovné postupy učiteľa s viacerými agentmi

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — K synergickým interakciám učiteľa a AI

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Vzdelávanie učiteľov pre AI gramotnosť cez teóriu sebaurčenia

• Development and evaluation of artificial intelligence literacy training for teacher education students — Tréning GenAI gramotnosti založený na dizajnovom výskume

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Prehodnotenie GenAI gramotnosti vo vzdelávaní učiteľov

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Integrácia sociálno-emocionálnych kompetencií s AI gramotnosťou

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Prijatie AI medzi učiteľmi: istota a podpora

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Orientácie akademických pracovníkov formujú prijatie AI

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Nezladenosť medzi sebahodnotenou a výkonovou AI kompetenciou

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — Skúmanie s podporou AI pre budúcich učiteľov

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Rámec pripravenosti akademických pracovníkov EPIQ-AI

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLM pre kultúrne relevantnú pedagogiku v K-12

• A Framework for Institutional Change in the Age of AI — Rámec inštitucionálnej zmeny pre AI

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — Chatbot TeachingCoach pre usmerňovanie vyučujúcich

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI ako kríza identity, a nie medzera v zručnostiach

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Hodnotenie digitálnej kompetencie učiteľa pre návrh kurikula s GenAI (Guillén-Gámez 2026)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — fenomenografická štúdia koncepcií AI u univerzitných učiteľov

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Päťúrovňový rámec AI gramotnosti a profesijný rozvoj pre ukrajinských stredoškolských pedagógov (Marienko a spol. 2026)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Spoludizajn učebných úloh učiteľom a AI: trendy a perspektívy (Wang a spol. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Architektúra rolí v diferencovaných skupinových aktivitách navrhnutých AI (Talebzadeh 2026)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Prompt engineering a výber modelu ako prediktory kvality spätnej väzby AI (Jacobsen a spol. 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — Komplex viny z AI: anticipačná vina a štyri profily morálnej odpovede medzi akademickými pracovníkmi (Vassallo 2026)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — Trojhodinové sedenie profesijného rozvoja učiteľov zvýšilo vnímanú užitočnosť a ľahkosť používania, ale nie uvedený zámer osvojiť si nástroj (Mesenhöller & Böhme 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Systematický prehľad AI v pregraduálnej príprave učiteľov matematiky na primárnom stupni: etika adresovaná len v troch z jedenástich štúdií (Pinto a spol. 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Prieskum AAC&U/Elon medzi 1 057 americkými akademickými pracovníkmi: pripravenosť, nepoužívanie a medzera medzi individuálnou a inštitucionálnou politikou (Watson & Rainie 2026)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Medziinštitucionálne kolaboratórium akademických pracovníkov: integrácia AI ako inštrukčný dizajn v príprave učiteľov

• Assessing teachers' AI literacy: a systematic review of measurement tools — Systematický prehľad 33 nástrojov na meranie AI gramotnosti učiteľov: 31 sebahodnotiacich, dva objektívne testy vedomostí, žiadne výkonové úlohy (Zainal, Mohd Matore & Maat 2026)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — Dizajnový adaptívny model AI gramotnosti a 20-položkový reflektívny dotazník spolunavrhnutý s 22 vzdelávateľmi učiteľov (Eyal 2025)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Séria workshopov pre efektívne používanie AI v neistých časoch: budovanie fyzikálnej komunity akademických pracovníkov

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Navrhovanie autentických hodnotení s generatívnou AI: pilotná štúdia nástroja Assessment Authentifire vo vysokom školstve

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Bude učiť podľa zámeru? Ako učitelia konfigurujú vzdelávacie chatboty AI

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Usporiadaný model pripravenosti učiteľov so schopnosťou na prvom mieste a ukazovateľmi schopnosti založenými na výkone

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Medzinárodný prieskum 1 405 učiteľov K-12: pripravenosť predpovedá pozitívne presvedčenia, ale nie obavu

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Štyri profily presvedčení učiteľov z TALIS 2024 spájajú profesijné učenie a bariéry používania AI špecifické pre profil

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Navrhovanie modulov mikroučenia o AI pre univerzitných učiteľov v odbornom vzdelávaní učiteľov: štúdia založená na dizajnovom výskume

• EduWild: How Teacher-Configured Chatbots Fail in Real-World Use and How to Fix Them — EduWild: ako chatboty konfigurované učiteľmi zlyhávajú v reálnom používaní a ako to napraviť